[論文レビュー] Modeling Network Evolution Using Graph Motifs

Drew Conway|arXiv (Cornell University)|May 4, 2011

Complex Network Analysis Techniques参考文献 29被引用数 8

ひとこと要約

この論文は、部分グラフモチーフを用いて成長規則を誘導することで、ネットワークの進化をシミュレートするグラフモチーフモデル（GMM）を導入している。この手法により、動的かつ計算的に駆動された社会的ネットワークの柔軟なモデリングが可能となる。本手法は、エドős-レニー、ワッツ・ストログラツ、バラバシ＝アルバートといった古典的なランダムグラフモデルを成功裏に再現し、モチーフに基づく成長メカニズムによって既知のネットワークダイナミクスを再現できる能力を示している。

ABSTRACT

Network structures are extremely important to the study of political science. Much of the data in its subfields are naturally represented as networks. This includes trade, diplomatic and conflict relationships. The social structure of several organization is also of interest to many researchers, such as the affiliations of legislators or the relationships among terrorist. A key aspect of studying social networks is understanding the evolutionary dynamics and the mechanism by which these structures grow and change over time. While current methods are well suited to describe static features of networks, they are less capable of specifying models of change and simulating network evolution. In the following paper I present a new method for modeling network growth and evolution. This method relies on graph motifs to generate simulated network data with particular structural characteristic. This technique departs notably from current methods both in form and function. Rather than a closed-form model, or stochastic implementation from a single class of graphs, the proposed "graph motif model" provides a framework for building flexible and complex models of network evolution. The paper proceeds as follows: first a brief review of the current literature on network modeling is provided to place the graph motif model in context. Next, the graph motif model is introduced, and a simple example is provided. As a proof of concept, three classic random graph models are recovered using the graph motif modeling method: the Erdos-Renyi binomial random graph, the Watts-Strogatz "small world" model, and the Barabasi-Albert preferential attachment model. In the final section I discuss the results of these simulations and subsequent advantage and disadvantages presented by using this technique to model social networks.

研究の動機と目的

• 時間経過に伴う社会的ネットワークの進化を、柔軟かつ計算ベースのフレームワークでモデリングすること。静的ネットワーク分析の限界を克服すること。
• 閉形式解や単一クラスの確率的モデルにとどまらず、グラフモチーフを構築ブロックとして用いて動的ネットワーク成長を実現すること。
• 単純なモデルが捉えきれない、人間の相互作用ネットワークの複雑で繊細なダイナミクスを捉える方法を提供すること。
• モチーフ頻度と部分グラフ同型性に基づいて成長規則をエンコードすることで、特定の構造的特徴を持つネットワークの進化をシミュレートできること。
• 特に政治的・組織的文脈において現実の社会的ダイナミクスを反映する、内生的ネットワーク成長のモデリング基盤を確立すること。

提案手法

• グラフモチーフモデル（GMM）は、初期ベースネットワーク内の繰り返し現れるグラフモチーフを同定・数えるために部分グラフ同型性を用いる。
• これらのモチーフの頻度および構造的性質に基づいて成長規則を定義し、反復的段階で新規ノードおよびエッジの追加方法をガイドする。
• 各反復ステップにおける各成長行動の確率を、可能なモチーフタイプの確率分布として計算する。
• 部分グラフ同型性は、現在のネットワーク状態におけるモチーフ出現を同定するためにVF-2アルゴリズムを用いる。
• モデルは、モチーフに基づく規則に従って確率的に成長行動を選択し、シミュレーション中は規則を固定する。
• シミュレーションは、エッジの進化するネットワーク特性が、既知のランダムグラフモデル（例：Erdős-Rényi、Watts-Strogatz、Barabási-Albert）の特性と比較されることで検証される。

実験結果

リサーチクエスチョン

• RQ1 モチーフベースのフレームワークは、ランダム、スモールワールド、スケールフリーネットワークといった既知のダイナミクスを持つネットワークの構造的進化をシミュレートできるか？
• RQ2 グラフモチーフモデルの出力は、初期ベースグラフのサイズおよび構造に対してどの程度感度を示すか？
• RQ3 GMMは、モチーフ駆動の成長によって、古典的なランダムグラフモデルの統計的性質をどの程度再現できるか？
• RQ4 GMMにおいて固定された成長規則と内生的成長規則の間には、計算的および解釈的トレードオフが生じるか？
• RQ5 GMMは、非ヒト的または物理的ネットワークをモデリングするためにどのように拡張できるか？また、どのような状況で不適切となるか？

主な発見

• GMMは、Erdős-Rényi、Watts-Strogatz、Barabási-Albertの3つの古典的なランダムグラフモデルの構造的性質を成功裏に再現し、既知のネットワークダイナミクスをシミュレートできる能力を示している。
• モデルのパフォーマンスは、初期ベースグラフのサイズおよび構造に依存しており、ネットワーク進化におけるパス依存性の可能性を示している。
• GMMは、特に人間中心の社会的相互作用の繊細なダイナミクスをモデリングする際、従来のモデルを上回るか同等の性能を示している。
• VF-2アルゴリズムによる部分グラフ同型性のカウントは計算的に高コストであり、ネットワークサイズやモチーフの複雑さが増すとスケーリングが著しく劣化する。
• 固定された成長規則は解釈を容易にするが、柔軟性を制限する。規則を内生化すれば現実性が向上するが、解釈性が損なわれる可能性がある。
• 将来の改善策として、静的確率分布の事前計算や並列化が、実行時間効率の向上および大規模シミュレーションの実現に不可欠である。